در این رساله پیش بینی و تحلیل قیمت محصولات شرکت ذوب آهن اصفهان عرضه شده در بورس فلزات تهران انجام شده است. از اینرو، بعد از بررسی روشهای پیش بینی موجود، با در نظر گرفتن خصایص منحصر به فرد و همچنین پیشرفتهایی که سیستمهای هوشمند در ارتقاء کیفیت تصمیمات مالی به وجود آورده اند شبکه های عصبی مصنوعی که از جمله مهمترین و کارآمدترین روشهای حال حاضر جهان برای پیش بینی هستند برگزیده شده اند. همچنین در این پایان نامه یک بررسی مبسوط بر روی انواع شبکه های عصبی مصنوعی و کلیه کاربردهای رایج آنها در محیط های تجاری و بالاخص زمینه های مالی انجام شده است. با توجه به نتایج بدست آمده از بررسی ادبیات موضوع مربوط به طراحی شبکه های عصبی مصنوعی در سیستمهای مالی از ابتدای بکارگیری شبکه های عصبی مصنوعی به عنوان ابزار پیش بینی قیمت این محصولات تحت سیستم مورد نظر شده است. در این مرحله ابتدا متغیرهای موثر و میزان تاثیر هر یک از آنها بر متغیر وابسته مشخص شده و بعد از دسته بندی متغیرها آنها به عنوان ورودیهای شبکه مذکور در نظر گرفته شده اند. سپس با توجه به اصول و مبانی طراحی شبکه های عصبی، همچنین انجام آزمایشات متعدد فاکتورهای مربوطه مشخص گردید ه اند. حاصل این کار شبکه پرسپترون تک لایه به ترتیب با توابع محرک سیگموئیدی و خطی برای لایه های پنهان و خروجی، با میانگین مطلق درصد خطای 8/2% در مجموعه تست بوده است. در انتها نیز با تفسیر جامع و کاملی از وزنهای سیناسپی در شبکه مزبور و همچنین بررسی نمودارهای مربوط به تغییرات خروجی شبکه و مشتق توابع مذکور به ارائه تحلیلی از وضعیت بازار شرکت ذوب آهن اصفهان تحت شرایط جدید پرداخته شده است.

تصمیم گیری جوهره مدیریت و از مهمترین و اساسی ترین کارکردهای مدیریتی است که هیچ کارکرد دیگری را نمی توان با آن برابر دانست. از زمان مطرح شدن دانش مدیریت به عنوان یک علم، همواره از سوی صاحب نظران این عرصه، کارکردها و وظایف مختلفی به عنوان وظایف اصلی و اساسی مدیران مطرح شده که فارغ از نقاط تشابه و افتراق، هیچ محققی تا به آن اندازه که تصمیم گیری را مهم و موثر شمرده، برای موضوعات دیگر اهمیت قائل نشده است. ادبیات موضوع گسترده و تعداد انتشارات مربوط به تصمیم گیری و حوزه های مرتبط بدان از گذشته تا به امروز خود به نوعی بیانگر میزان اهمیت تصمیم گیری بویژه در عصر حاضر می باشد. بسیاری از محققان و متفکران حوزه تصمیم گیری معتقدند که فرآیندهای تصمیم گیری در دنیای امروز بسیار پیچیده تر و مبهم تر از گذشته گردیده اند. اینان اساساً علت این پیچیدگی ها را ناشی از سربار اطلاعات اضافی، نوسانات بیشتر و همچنین عدم قطعیت بالاتر در محیط های تصمیم گیری امروزی می دانند. لذا تصمیم گیری های کارا و کارآمد در عصر حاضر نیازمند ابزارها و تکنیک هایی است که توانایی مواجهه و مقابله با این پیچیدگی ها و عدم قطعیت ها را داشته باشند. تکنیک های هوش محاسباتی و محاسبات نرم از مهمترین و کارآمدترین روش های موجود در زمینه تجزیه و تحلیل و پردازش داده ها در سیستم های پیچیده و مبهم، با دقت مطلوب می باشند. نتایج حاصله از مقالات منتشره در حوزه های مرتبط با تصمیم گیری نشانگر آنست که بکارگیری این گونه از روش ها در سال های اخیر موجب پیشرفت های قابل توجهی در زمینه بهبود تصمیمات اتخاذی و افزایش بهره وری و سودآوری گردیده اند. هدف اساسی از انجام این رساله نیز به کارگیری ترکیبی از سیستم های هوشمند به انضمام منطق و روش های فازی و محاسبات نرم به منظور ارائه یک روش جدید و کارای تصمیم گیری می باشد. در روش پیشنهادی سعی شده تا مفاهیم پایه ای و مزایای منحصربه فرد ابزارهای مذکور به فرآیندهای کلاسیک تصمیم گیری عقلایی و منطقی اضافه گردند تا بدین وسیله بتوان یک فرآیند هوشمند و نرم برای مسائل پیچیده طراحی نمود. بدین منظور، در مرحله اول از روش تصمیم گیری پیشنهادی، سیستم های مورد مطالعه توسط ابزارهای هوشمند نرم پیشنهادی، متامدل بندی می گردند تا ساختارها و روابط پیچیده و مبهم حاکم بر آنها به صورت همزمان مشخص و استخراج گردند. سپس تابع مطلوبیت تصمیم گیرندگان توسط روش پیشنهادی بر اساس تابع سود و همچنین تابع ریسک برآوردشده از نتایج مرحله اول، برای تصمیمات اتخاذی تعیین می گردد. در انتها نیز تصمیم نهایی به عنوان تصمیمی با بالاترین سطح مطلوبیت ازطریق ماکزیمم سازی تابع مطلوبیت بدست می آید. نتایج علمی و عملی حاصله از بکارگیری روش پیشنهادی در مسائل تصمیم گیری واقعی و شبیه سازی شده همچون مسائل مدیریت موجودی و مدیریت مالی بیانگر کارآمدی و کارایی روش تصمیم گیری پیشنهادی بویژه در سیستم های غیرقطعی پیچیده می باشد.

مدل سازی و پیش بینی سری های زمانی، در حوزه های کاربردی مختلف اهمیت بسزایی دارد. دقت پیش بینی ‏یکی از مهم ترین عوامل موثر در انتخاب روش پیش بینی است. مدل خودرگرسیون میانگین متحرک انباشته ‏‏(‏arima ‏) و شبکه عصبی مصنوعی از پراستفاده ترین مدل های پیش بینی به شمار می آیند. داده های سری ‏زمانی اغلب شامل هر دو الگوی خطی و غیرخطی هستند. مدل ‏arima‏ نمی تواند با رابطه های غیرخطی سروکار ‏داشته باشد، این در حالی است که شبکه عصبی نیز به تنهایی قادر به عملکرد یکسان با هر دو الگوی خطی و ‏غیرخطی نیست. از این رو، هیچ یک از مدل های ‏arima‏ و شبکه عصبی نمی توانند در مدل سازی و پیش بینی ‏داده های سری زمانی مناسب باشند.‏ در مراجع و منابع موضوع مدل های بسیار مهمی به منظور بهبود دقت و کارایی مدل سازی و پیش بینی سری های ‏زمانی پیشنهاد شدند. مدل های ترکیبی که یک سری زمانی را به اجزای خطی و غیرخطی آن تجزیه می کنند، مهم ‏ترین نوع آن ها به حساب می آیند.‏ در این پایان نامه، به منظور به دست آوردن مدلی دقیق تر از شبکه های عصبی مصنوعی برای پیش بینی سری های ‏زمانی، مدل بهبود یافته ای از شبکه های عصبی مصنوعی که از مدل های ‏arima‏ استفاده می کند، پیشنهاد شده ‏است. در مدل پیشنهادی، فواید منحصر به فرد مدل ‏arima‏ در مدل سازی خطی، به منظور پیش پردازش داده ‏های تحت مطالعه برای استفاده در شبکه های عصبی مصنوعی به کار گرفته شده است. این پایان نامه همچنین یک ‏روش ترکیبی پیش بینی را ارائه می دهد که مدل ‏arima‏ فصلی (‏sarima ‏) و شبکه های عصبی را با هم ‏ترکیب می کند. مدل ‏sarima‏ و شبکه های عصبی مصنوعی می توانند داده هایی را که درگیر معضل روند و ‏فصلی بودن هستند، مهار کنند. نتایج تحلیلی به دست آمده از مدل ‏sarima، به عنوان داده های ورودی شبکه ‏عصبی وارد می شوند . سپس این مدل برای پیش بینی داده های سری زمانی فصلی به کار گرفته می شود.‏ ‏

پیش بینی از ابزارها و راهکارهای موثر به منظور برنامه ریزی و تدوین روش های مالی است. دقت پیش بینی از مهم ترین عوامل موثر در انتخاب روش پیش بینی است. امروزه با وجود روش های متعدد پیش بینی، هنوز پیش بینی دقیق نرخ ارز کار چندان ساده ای نیست و اکثر محققان درصدد به کارگیری و ترکیب روش های متفاوت به منظور دستیابی به نتایج دقیق تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم ترین و پرکاربردترین الگوهای سری های زمانی هستند. مهم ترین محدودیت آن ها پیش فرض خطی بودن الگو است. شبکه های عصبی مصنوعی از جمله مهم ترین و دقیق ترین روش های حال حاضر جهت الگو سازی غیرخطی داده ها هستند. اما با وجود تمامی مزیت های شبکه های عصبی، این گونه از شبکه ها را نمی توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش بینی با داده های کم است. امّا عملکرد آن ها در حالت کلی چندان رضایت بخش نیست. بنابراین، در پژوهش حاضر از شبکه های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت های خطی و تعداد داده های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل 115 داده ی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازه گیری عملکرد پیش بینی الگوی ارایه شده از شاخص های مختلفی مانند میانگین مطلق خطا (mae)، میانگین مربع خطا (mse)، مجموع مربع خطا (sse)، ریشه میانگین مربع خطا (rmse)، میانگین درصد مطلق خطا (mape) و میانگین خطا (me) استفاده شده است. نتایج نشان می دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق تری در پیش بینی نرخ ارز (دلار در مقابل ریال) ارایه می دهد.